Vanilla AI schlägt Agentic Workflows — im Moment
In den letzten Wochen habe ich mit einer ganzen Reihe von Unternehmen gesprochen, die richtig fortgeschrittene KI-Workflows gebaut haben. Wir reden hier nicht von „wir nutzen mal ChatGPT für Mails", sondern von den realshit Setups: comfy.ui-Pipelines mit X Custom Nodes, Multi-Agent-Systeme, die sich gegenseitig prompten, RAG-Architekturen mit Vector DBs + Orchestrator, krea-Nodes, .. ihr kennt es.
Liebe ich.
Aber — nach dem zehnten Talk fällt etwas auf. Sobald wir hinter das übliche Bla Bla kommen („jaja, wir sind ganz vorne mit dabei, comfy.ui, agentic, krea-Nodes, alles am Start, ...“), kommen wir fast immer zu dem selben Punkt:
„Ehrlich gesagt — für die meisten Sachen nehmen wir einfach Claude. Oder Gemini. Direkt. Ohne den Overhead."
Also. Da bauen Teams Wochen oder Monate an einem agentic Workflow, und am Ende des Tages liefert die direkte, unveränderte Modell-Nutzung — I Call it „Vanilla AI" — bessere Ergebnisse für deutlich weniger Aufwand.
Was ist „Vanilla AI"?
Mit Vanilla AI meine ich die Anwendung von KI-Modellen in ihrem Original Zustand — ohne Custom Training Sets, ohne Fine-Tuning, ohne Agent-Frameworks. Ein Chat-Fenster, ein Modell. Vielleicht ein guter Prompt, vielleicht ein Projekt mit ein paar hochgeladenen Dokumenten. Das war es dann auch schon.
Das Gegenteil dazu sind agentische Prozesse: Systeme, in denen das Modell autonom mehrere Schritte plant, Tools aufruft, Zwischenergebnisse bewertet, sich selbst korrigiert, andere Modelle anstößt und am Ende ein Gesamtergebnis abliefert. Klingt gut. Sieht in Demos nice aus. Funktioniert in der Praxis mal so mal so.
Ja, es gibt Use Cases, in denen das sauber läuft. Customer Support mit Tool-Zugriff auf eine CRM-Datenbank. Code-Agents, die in einer Sandbox Tests laufen lassen. Recherche-Tools, um automatisiert Daten abzufragen und zu vergleichen.
Vanilla AI = das aktuelle Winning Team
1. Quality Assurance frisst dich auf
Das Thema Numero Uno: Bei einem Vanilla-Setup siehst du, was reingeht und was rauskommt. Punkt. Wenn das Ergebnis Mist ist, formulierst du den Prompt um, packst neue Daten rein. Startest ein neue Projekt, Wechselst das Modell. Wenn es gut ist, kopierst du es weiter.
Bei einem agentischen Workflow hast du fünf, zehn, fünfzehn Stationen, an denen es failen kann. Aber: Du bekommst das überhaupt nicht mit. Der Agent crasht nicht. Er liefert ein auf den ersten Blick sinnvolles Ergebnis. Das in deiner 200 Seiten Ausschreibung plötzlich absolutes Kokolores steht merkst du im Worst Case gar nicht. Oder dann wenn deine Kund:innen dich fragen was das denn sein soll.
Also: QA. Aber nicht als „Set-Up forget“ — sondern „24/7“
Die Stunden, die der Agent einspart, ballern viele direkt in QA wieder rein. Gerne auch mal mehr.
Mit Vanilla AI ist die QA dagegen meistens der Mensch, der das Ergebnis sowieso liest, bevor es rausgeht. Das ist keine zusätzliche Schicht — das ist einfach die normale Arbeit. Und direkt reagieren kann, zum Beispiel sieht er fehlerhafte Trainingsdaten und steuert an Schritt 1 schon die Lösung ein.
2. Token-Preise sind nicht unsichtbar
Die aktuellen Preise (Stand Mai 2026): Claude Sonnet 4.6 liegt bei $3 Input / $15 Output pro Million Tokens. Opus 4.7 bei $5 / $25. GPT-5.2 bei $1.75 / $14. Gemini 3.1 Pro bei $2 / $12. Klingt absurd günstig.
Die Preise pro Token so aktuell absurd niedrig. Aber selbst mit denen brennen agentische Systeme diese nur so durch: Sie reden mit sich selbst. Output kostet 5× mehr als Input. Und Agents produzieren Output. Viel Output. Jeder Reasoning-Schritt, jede Selbstkorrektur, jeder „lass mich nochmal nachdenken“-Loop ist auf der Expansive Side of things.
Ein Planner-Agent briefed einen Worker-Agent, der fragt einen Reviewer-Agent. Und Zack: sind das 20- bis 50-Fache der Tokens eines einzelnen Vanilla-Calls durch. Skaliere das mal in deinem Kopf. Bei 100 Prozessen vielleicht verkraftbar. Bei 100.000?
Und: Diese Preise sind massiv subventioniert. Niemand verdient hier Geld pro Token — alle kaufen sich Marktanteile. Wenn der Markt sich konsolidiert oder die VC-Geduld endet, wird sich das ändern. Wir bauen also Workflows deren Preise sich zeitnah potenzieren werden.
Entweder du wirst die ganze Zeit vom Team noch Tokens gefragt nach zum nachlegen oder am Ende des Monats steht eine eher unschöne Summe.
3. Modelle ändern sich. Zeiten ändern dich. Du auch.
Du hast die über Monate eine Prompt Library aufgebaut? Nice. Solange du lokal mit einem Modell wie LTX arbeitest, bei dem du kontrollierst, wann du es aktualisierst. Aber meistens arbeiten wir ja mit dem „aktuellem geilen Scheiss" in der Cloud. Alles passt für zwei Wochen in deinem Workflow.
Dann kommt ein Modell-Update. Plötzlich antwortet das Modell anders auf Strukturanweisungen. Es ruft Tools in einer anderen Reihenfolge auf. Es interpretiert „kurz fassen" anders. Deine Prompt-Templates, die seit Wochen zuverlässig geliefert haben, produzieren weiter, nur eben nicht mehr das was du eigentlich erwartest.
Bei einem Vanilla-Setup merkst du das auch — aber es ist halb so wild, weil ein Mensch das Ergebnis nochmal anschaut. Bei einem agentischen System mit zehn Modellaufrufen kann ein einziger geänderter Antwortstil eine Kaskade an Scheisse auslösen, in der das Endergebnis komplett unbrauchbar wird, ohne dass irgendwo ein Fehler geloggt wird.
Ernsthaft: Du baust auf einem Fundament, das sich ohne deine Wissen oder Zustimmung verschiebt. Desto deeper dein Stack, desto mehr wird es weh tun.
4. Komplexität ist nicht dein Freund (was würde Dieter Rams sagen?)
Jeder zusätzliche Node & jede Schnittstelle will gewartet werden. Am Ende hängt alles an der Person, die den Flow gebaut hat. Wenn sie das Berghain Garten Opening zu ernst nimmt, weiß niemand mehr genau warum was da genau wie in welchem Node eingestellt wurde.
Vanilla AI hat dieses Problem nicht. Der „Best Case Workflow" ist ein Prompt in einem shared Doc.
5. Wie kommt Bauchwissen in die Knowledge Base?
Wenn jemand seit zwölf Jahren auf Kund:innen arbeitet, dann sitzt in dem Kopf etwas, das in keinem Datensatz steht. Er sieht den Namen von bestimmten Ansprechpartner:innen im Betreff und weiß: „Da rufe ich lieber kurz an, bevor ich was rausschicke.“
Das Wissen ist nirgendwo dokumentiert. Es liegt nicht im SharePoint, nicht im Wiki, nicht im CRM. Es liegt im Bauch und im Kopf — gewachsen aus tausenden Mikro-Erfahrungen, von denen die meisten einem selbst nicht bewusst sind.
Ein agentischer Workflow ist per Konstruktion blind für dieses Wissen. Er kennt nur das, was du ihm in Prompts, Tools und Datenbanken explizit zur Verfügung stellst. Er war nicht zu lange nach dem ADC in irgendeiner Hotellobby. Oder in der Abnahme nach dem letzten Filmprojekt.
Für ihn existieren nur die Trainingsdaten. Aber genau dieses implizite 1:1 Wissen ist es, das den Unterschied zwischen einer mittelmäßigen und einer wirklich guten Antwort / Arbeit macht.
Bei einem Vanilla-Setup landet dieses Wissen automatisch im Output. Man macht das, ohne darüber nachzudenken. Es ist keine zusätzliche Aufgabe; es ist die Aufgabe. Und genau diese Power müssen alle unsere Teammitglieder verstehen und lernen.
Sobald du den Menschen aus dem Loop nimmst, nimmst du auch dieses Wissen raus. Was hier automatisiert wird, ist nicht „die Arbeit deiner besten Mitarbeitenden in schnell" — es ist eine entkernte Version davon. Der fehlt genau das, was sie Herausragend macht.
Agents können liefern.
Das ist kein „Agents sind Quatsch"-Artikel. Agentische Systeme sind häufig genau der Shit, der benötigt wird.
Wenn immer wieder identische Prozesse ablaufen, wie z.b. die Bewertungen von Ausschreibungen, abgleichen von Listen und Fakten. Klarer Input und klarer Output. Dafür sollte sich wirklich kein Mensch mehr durchkämpfen müssen.
Bei Code-Generierung mit Test-Loops und Prototypen Entwicklung, bei strukturierten Datenextraktionen, bei Support-Bots mit klaren Aktionen auf gut definierten APIs. Aber bitte nicht „schreib mir mal einen Strategie-Vorschlag für unseren Kunden“ - das kann der auch selbst. Hat er wahrscheinlich auch.
Take Away
Vanilla AI ist für die meisten Use Cases zumindest aktuell der überlegene Weg. Not #foreverever— die Modelle und die Frameworks werden besser, die Stabilität wird steigen.
Aber heute, im Mai 2026, sag ich das:
Fang nicht mit dem automatisierten Workflow an. Fang mit dem Prompt an. Bau das Vanilla-Setup so gut wie möglich aus — saubere Prompts, gute Beispiel Workflows die Menschen bedienen statt Agenten, dokumentierte Best Practices, shared Projekte mit den richtigen Quelldokumenten. Das sind 80 % der Wertschöpfung für 5 % der Komplexität.
Erst wenn das Fundament sitzt und dir etwas Konkretes fehlt — Geschwindigkeit, Skalierung, ein bestimmtes Tool — dann erst den nächsten Layer einziehen. Step by Step.
Und wenn dir auf der nächsten Konferenz jemand stolz seinen 1001-Node-Multi-Agent-Graph zeigt: Lächeln und frag ihn dann höflich, wie sie eigentlich das Erfahrungswissen ihrer besten Leute in den Flow bekommen. Der Gesichtsausdruck ist deine Antwort.